به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت

جستجوی مقالات مرتبط با کلیدواژه « Bakhtiari River » در نشریات گروه « کشاورزی »

  • علیرضا اسکندری نیا، هادی نظرپور، میرخالق ضیاء تبار احمدی، مهدی تیموری، محمد ذاکر مشفق
    در دهه گذشته استفاده از شبکه عصبی در شبیه سازی فرآیندهای هیدرولوژیکی افزایش چشمگیری داشته است. نظر به این که بیشتر تحقیقات در این زمینه معطوف به رابطه بین این شبکه ها وسایر مدل های بارش رواناب و یا ارزیابی الگوریتم های آموزش است جهت بررسی ورودی های اساسی پژوهشی و کمک جهت پیش گویی جریان ضروری به نظر می رسد. در این تحقیق به منظور پیش بینی روزانه جریان رودخانه بختیاری از شبکه پرسپترون چند لایه استفاده و جهت نیل به اهداف فوق به بررسی نقش بارش پیشین در فرایند بارش- رواناب پرداخته شد و این پارامتر نیز به ورودی های مدل اضافه و بهبود قابل توجهی در نتایج پیش بینی (با ضریب تعیین 94/0 در مرحله صحت سنجی) حاصل گردید. بررسی آنالیز حساسیت مدل نسبت به پارامترهای ورودی نشان دهنده این مطلب بود که دبی یک روز قبل، میزان بارش 7 روز قبل و بارش در ایستگاه باران سنجی تنگ پنج، پارامترهای اصلی این حوزه در پیش گویی جریان روزانه رودخانه می باشند.
    کلید واژگان: مدل سازی بارش, رواناب, شبکه عصبی مصنوعی, شاخص بارش پیشین, رودخانه بختیاری}
    A.R. Eskandarinia, H. Nazarpour, M.Z. Ahmadi, M. Teimouri, M.Z. Moshfegh
    In hydrology, there has been a virtual explosion in the use of artificial neural networks (ANNs) over the last 10 years. However, most of the recent ANN research have been devoted to comparing ANNs and more established rainfall runoff models or to assessing ANN training algorithms, while norms are still lacking that would help hydrologists to create and train efficient ANN models in a systematic way. In the present study was used multi layer perceptron for forecasting of Bakhtiari's of daily inflow. For this purpose was examined role of antecedent precipitation index in rainfall runoff process and this parameter added to model inputs and considerable improvement was resulted in forecasting result (with determination coefficient of 0.94 in verification step). The results of sensitivity analysis verified that one day ago inflow and 7 days ago precipitation in Tangpanj station are important parameters in river daily inflow forecasting.
    Keywords: Rainfall, Runoff modeling, Artificial Neural Network, Antecedent Precipitation index, Bakhtiari River}
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال